CN115689008A - 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统 - Google Patents
基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统 Download PDFInfo
- Publication number
- CN115689008A CN115689008A CN202211331710.3A CN202211331710A CN115689008A CN 115689008 A CN115689008 A CN 115689008A CN 202211331710 A CN202211331710 A CN 202211331710A CN 115689008 A CN115689008 A CN 115689008A
- Authority
- CN
- China
- Prior art keywords
- cnn
- bilstm
- photovoltaic power
- data
- wolf
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种基于集合经验模态分解的CNN‑BiLSTM短期光伏功率预测方法,包括:1、采集历史数据,筛选出突变天气和非突变天气样本数据;2、针对不同的天气类型,利用集合经验模态分解法将历史光伏电站小时功率数据分解为一系列不同频率但相对平稳的分量序列;3、搭建卷积神经网络CNN,构建CNN‑BiLSTM模型;4、采用灰狼寻优算法GWO确定CNN‑BiLSTM模型的超参数,并利用训练好的模型进行光伏功率短期预测。还公开了一种基于集合经验模态分解的CNN‑BiLSTM短期光伏功率预测系统。本发明能够在有效提取光伏数据的各个分量及变化趋势的同时,提高短期光伏功率预测的精确度。
Description
技术领域
本发明涉及短期光伏发电功率预测技术领域,特别是涉及一种基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统。
背景技术
随着光伏渗透率在配电网中的逐年递增,为保证新型电力系统安全经济运行,需对光伏发电功率进行精准的预测。准确的日前或日内光伏输出功率预测,不仅可以为光伏电站并网运行提供依据,也能够帮助电力部门制定合理的运行调度计划。
目前光伏功率预测使用的主要方法由传统预测法和人工智能算法。传统预测法主要有时间序列法、回归分析法和趋势外推法等,虽然其模型构造简单,但光伏功率预测精度有限。随着人工智能领域的研究发展,智能算法打破了传统算法的局限性,在短期光伏功率预测中得到广泛应用,如卷积神经网络、小波分析法和支持向量机等。
现阶段光伏功率预测大多考虑与预测日相同的天气类型分别构建模型以实现光伏预测,有研究采用小波包分解对原始光伏功率进行分解,之后利用LSTM模型对分解的子序列进行预测,预测结果表明小波包分解可以提高光伏预测精度。但由于各个模型本身都存在着固有的优缺点,故单一预测模型对光伏功率进行预测时,往往预测精度不理想。因此,在增强不同类别样本数据的匹配程度的同时,构建组合预测模型,成为了提高突变天气光伏发电功率预测精度的新思路。
发明内容
本发明所要解决的技术问题是提供一种基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统,能够在有效提取光伏数据的各个分量及变化趋势的同时,提高短期光伏功率预测的精确度。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法,包括以下步骤:
S1:天气样本数据的采集与分类:获取历史光伏电站小时出力序列和对应的气象信息,根据气象信息对每日的数据分类,获得光伏电站每日同一时刻的光伏功率数据;
S2:光伏功率数据稳态化分解:将步骤S1获得的光伏功率数据进行EEMD分解,获得若干组稳态本征模态分量和一组残余分量,将上述每一个IMF分量和残余分量进行归一化处理,并划分为训练样本集和测试样本集;
S3:构建CNN-BiLSTM网络模型,包括:输入层、CNN层、BiLSTM层和输出层,将训练样本集输入构建的CNN-BiLSTM网络模型,得到实际光伏发电功率预测值;
S4:采用灰狼寻优算法优化CNN-BiLSTM网络参数,将最优参数带入到CNN-BiLSTM网络模型中进行训练,得到训练好的光伏电站发电功率预测模型,利用训练好的CNN-BiLSTM模型进行预测,获得光伏短期发电功率预测结果。
在本发明一个较佳实施例中,步骤S1的具体步骤包括:
步骤S1.1:从光伏发电站获取历史光伏数据序列,将原始样本数据分为突变天气和非突变天气两大类,并按照天气类型将突变天气分为F类,非突变天气分为L类;
步骤S1.2:从每一类天气样本数据中选取n天的原始功率样本组成样本数据集,每天有p个采样时间点,得到维度为n×p的原始功率样本矩阵Jij表示样本数据集第i天的第j个采样时间点的光伏发电功率信息,i∈1,2,L,n,j∈1,2,L,p;
步骤S1.3:采集光伏电站n天同一时刻的光伏功率数据,获得光伏电站n天同一时刻的光伏功率数据Wn(t)=[w1.t,w2.t,L,wg.t,Lwn.t],wg.t表示第g天t时刻的光伏功率,t∈1,2,L,p,g∈1,2,L,n。
在本发明一个较佳实施例中,步骤S2的具体步骤包括:
步骤S2.1:将步骤S1获得的光伏电站n天同一时刻的光伏功率数据Wn(t),采用集合经验模态分解法进行分解,获得d组稳态本征模态分量IMF(s)和一组残余分量Ra,s=1,2,L,d;
步骤S2.2:将所述每一个IMF分量和残余分量Ra进行归一化处理,归一化过程表示为:
式(1)中:X表示分解后的各个分量,Xm表示分解后的向量X中的第m个数据,xm表示归一化后的向量x中的第m个数据,m=d+1;
步骤S2.3:将归一化的数据集划分为训练样本集Pa和测试样本集Pe。
在本发明一个较佳实施例中,步骤S3的具体步骤包括:
步骤S3.1:将所述步骤S2得到的训练样本集Pa输入到所述CNN-BiLSTM组合模型中,作为CNN-BiLSTM模型的输入;
步骤S3.2:构建卷积神经网络层:
所述卷积网络层由3个卷积层、3个池化层以及一个全连接层构成,将步骤S3.1输入的序列数据输入到所述卷积神经网络中进行特征提取,从而由全连接层输出特征信息GT=[GT,1,GT,2,…,GT,i]T,GT,i为全连接层第i个神经元的输出信息,i为全连接层的神经元个数;
步骤S3.3:构建BiLSTM网路层:
所述BiLSTM网络层由正反向LSTM神经网络构成,将所述特征信息GT输入到所述BiLSTM网络层中,利用式(2)得到输出向量:
hT=BiLSTM(hTs,hTz) (2)
式(2)中,hT表示BiLSTM的隐藏状态向量,hTs,hTz分别表示前向和后向LSTM的隐藏状态向量;
步骤S3.4:所述输出层是由全连接层构成,将向量hT输入输出层中,利用式(3)得到预测值u:
u=σ(hTω+b) (3)
式(3)中,ω和b是输出层的权重向量和偏置向量;σ(g)表示ReLU函数;
步骤S3.5:所述CNN-BiLSTM网络输出的预测值u经过反归一化处理后得到实际光伏发电功率预测值uo。
在本发明一个较佳实施例中,步骤S4的具体步骤包括:
步骤S4.1:初始化灰狼优化算法和CNN-BILSTM网络参数,随机生成CNN-BiLSTM初始网络,CNN-BiLSTM的网络参数采用Adam求解器进行训练,其初始化参数包括灰狼种群大小K、灰狼个体位置信息的维度Q、灰狼维度的上界O1和下界O2、算法最大迭代次数E,灰狼算法优化的参数包括学习率γ、全连接层神经元个数θ、训练周期τ,将CNN-BILSTM网络的学习率γ、全连接层神经元个数θ、训练周期τ作为狼群个体位置的三维坐标F,随机初始化狼群个体位置;
步骤S4.2:计算每个个体灰狼的适应度值;
步骤S4.3:更新狼群中灰狼的适应度值。计算从第一次迭代开始到目前位置适应度最优的三只灰狼信息,并保存信息;
步骤S4.4:更新适应度最优的三只灰狼的位置向量,并计算下一次迭代后的新的狼群位置向量;
步骤S4.5:判断是否达到最大迭代次数,若达到最大迭代次数,则结束迭代,返回最优参数;否则,返回步骤S4.2;
步骤S4.6:将最优参数带入到CNN-BILSTM网络模型中进行训练,从而得到训练好的光伏电站发电功率预测模型;
步骤S4.7:利用训练好的CNN-BILSTM模型进行预测,获得光伏短期发电功率预测结果。
为解决上述技术问题,本发明采用的另一个技术方案是:提供一种基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测系统,包括:
数据采集与分类模块,用于获取历史光伏电站小时出力序列和对应的气象信息,根据气象信息对每日的数据分类,获得光伏电站每日同一时刻的光伏功率数据;
数据稳态化分解模块,用于将数据采集与分类模块获得的光伏功率数据进行EEMD分解,获得若干组稳态本征模态分量和一组残余分量,将上述每一个IMF分量和残余分量进行归一化处理,并划分为训练样本集和测试样本集;
CNN-BiLSTM网络模型构建模块,用于构建包括输入层、CNN层、BiLSTM层和输出层的CNN-BiLSTM网络模型,将训练样本集输入构建的CNN-BiLSTM网络模型,得到实际光伏发电功率预测值;
网络模型参数优化模块,用于采用灰狼寻优算法优化CNN-BiLSTM网络参数,将最优参数带入到CNN-BiLSTM网络模型中进行训练,得到训练好的光伏电站发电功率预测模型;
预测结果输出模块,用于利用训练好的CNN-BiLSTM模型对测试样本集进行预测,获得光伏短期发电功率预测结果。
在本发明一个较佳实施例中,所述数据采集与分类模块获取历史光伏电站小时出力序列和对应的气象信息,根据气象信息对每日的数据分类,获得光伏电站每日同一时刻的光伏功率数据的具体步骤包括:
步骤S1.1:从光伏发电站获取历史光伏数据序列,将原始样本数据分为突变天气和非突变天气两大类,并按照天气类型将突变天气分为F类,非突变天气分为L类;
步骤S1.2:从每一类天气样本数据中选取n天的原始功率样本组成样本数据集,每天有p个采样时间点,得到维度为n×p的原始功率样本矩阵Jij表示样本数据集第i天的第j个采样时间点的光伏发电功率信息,i∈1,2,L,n,j∈1,2,L,p;
步骤S1.3:采集光伏电站n天同一时刻的光伏功率数据,获得光伏电站n天同一时刻的光伏功率数据Wn(t)=[w1.t,w2.t,L,wg.t,Lwn.t],wg.t表示第g天t时刻的光伏功率,t∈1,2,L,p,g∈1,2,L,n。
在本发明一个较佳实施例中,所述数据稳态化分解模块将数据采集与分类模块获得的光伏功率数据进行EEMD分解,获得若干组稳态本征模态分量和一组残余分量,将上述每一个IMF分量和残余分量进行归一化处理,并划分为训练样本集和测试样本集的具体步骤包括:
步骤S2.1:将步骤S1获得的光伏电站n天同一时刻的光伏功率数据Wn(t),采用集合经验模态分解法进行分解,获得d组稳态本征模态分量IMF(s)和一组残余分量Ra,s=1,2,L,d;
步骤S2.2:将所述每一个IMF分量和残余分量Ra进行归一化处理,归一化过程表示为:
式(1)中:X表示分解后的各个分量,Xm表示分解后的向量X中的第m个数据,xm表示归一化后的向量x中的第m个数据,m=d+1;
步骤S2.3:将归一化的数据集划分为训练样本集Pa和测试样本集Pe。
在本发明一个较佳实施例中,所述CNN-BiLSTM网络模型构建模块构建CNN-BiLSTM网络模型的具体步骤包括:
步骤S3.1:将所述步骤S2得到的训练样本集Pa输入到所述CNN-BiLSTM组合模型中,作为CNN-BiLSTM模型的输入;
步骤S3.2:构建卷积神经网络层:
所述卷积网络层由3个卷积层、3个池化层以及一个全连接层构成,将步骤S3.1输入的序列数据输入到所述卷积神经网络中进行特征提取,从而由全连接层输出特征信息GT=[GT,1,GT,2,…,GT,i]T,GT,i为全连接层第i个神经元的输出信息,i为全连接层的神经元个数;
步骤S3.3:构建BiLSTM网路层:
所述BiLSTM网络层由正反向LSTM神经网络构成,将所述特征信息GT输入到所述BiLSTM网络层中,利用式(2)得到输出向量:
hT=BiLSTM(hTs,hTz) (2)
式(2)中,hT表示BiLSTM的隐藏状态向量,hTs,hTz分别表示前向和后向LSTM的隐藏状态向量;
步骤S3.4:所述输出层是由全连接层构成,将向量hT输入输出层中,利用式(3)得到预测值u:
u=σ(hTω+b) (3)
式(3)中,ω和b是输出层的权重向量和偏置向量;σ(g)表示ReLU函数;
步骤S3.5:所述CNN-BiLSTM网络输出的预测值u经过反归一化处理后得到实际光伏发电功率预测值uo。
在本发明一个较佳实施例中,所述网络模型参数优化模块采用灰狼寻优算法优化CNN-BiLSTM网络参数,将最优参数带入到CNN-BiLSTM网络模型中进行训练,得到训练好的光伏电站发电功率预测模型的具体步骤包括:
步骤S4.1:初始化灰狼优化算法和CNN-BILSTM网络参数,随机生成CNN-BiLSTM初始网络,CNN-BiLSTM的网络参数采用Adam求解器进行训练,其初始化参数包括灰狼种群大小K、灰狼个体位置信息的维度Q、灰狼维度的上界O1和下界O2、算法最大迭代次数E,灰狼算法优化的参数包括学习率γ、全连接层神经元个数θ、训练周期τ,将CNN-BILSTM网络的学习率γ、全连接层神经元个数θ、训练周期τ作为狼群个体位置的三维坐标F,随机初始化狼群个体位置;
步骤S4.2:计算每个个体灰狼的适应度值;
步骤S4.3:更新狼群中灰狼的适应度值。计算从第一次迭代开始到目前位置适应度最优的三只灰狼信息,并保存信息;
步骤S4.4:更新适应度最优的三只灰狼的位置向量,并计算下一次迭代后的新的狼群位置向量;
步骤S4.5:判断是否达到最大迭代次数,若达到最大迭代次数,则结束迭代,返回最优参数;否则,返回步骤S4.2;
步骤S4.6:将最优参数带入到CNN-BILSTM网络模型中进行训练,从而得到训练好的光伏电站发电功率预测模型;
步骤S4.7:利用训练好的CNN-BILSTM模型进行预测,获得光伏短期发电功率预测结果。
本发明的有益效果是:
(1)本发明针对光伏电站小时输出功率分布在天气突变时的非平稳性问题,采用集合经验分解法,将历史光伏电站小时功率数据分解为一系列不同频率但相对平稳的分量序列,有效提取了光伏数据的各分量及变化趋势,有效抑制了光伏电站小时输出功率分布在天气突变时的非平稳性问题;
(2)本发明针对历史数据输入时不同信息的特征提取问题,采用由卷积层、池化层和全连接层构成的CNN网络模型提取历史光伏数据中的特征向量,有效降低了特征提取的复杂度;
(3)本发明针对CNN-BiLSTM网络模型中超参数选择困难的问题,提出利用灰狼寻优算法的全局搜索能力寻找CNN-BiLSTM组合模型中学习率γ、全连接层所对应的神经元个数以及训练周期,以获得最优网络模型,从而在预测过程中避免了陷入局部最优,大大提高了光伏功率预测的收敛速率和精确度。
附图说明
图1是本发明基于集合经验模态分解的CNN-BiLSTM模型预测示意图;
图2是所述CNN-BiLSTM网络模型结构示意图;
图3是所述基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测系统框图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1,本发明实施例包括:
一种基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法,包括以下步骤:
S1:天气样本数据的采集与分类:获取历史光伏电站小时出力序列和对应的气象信息,根据气象信息对每日的数据分类,获得光伏电站每日同一时刻的光伏功率数据;
步骤S1.1:从光伏发电站获取历史光伏数据序列,将原始样本数据分为突变天气和非突变天气两大类,并按照天气类型将突变天气分为F类,非突变天气分为L类;
步骤S1.2:从每一类天气样本数据中选取n天的原始功率样本组成样本数据集,每天有p个采样时间点,得到维度为n×p的原始功率样本矩阵Jij表示样本数据集第i天的第j个采样时间点的光伏发电功率信息,i∈1,2,L,n,j∈1,2,L,p;
步骤S1.3:采集光伏电站n天同一时刻的光伏功率数据,获得光伏电站n天同一时刻的光伏功率数据Wn(t)=[w1.t,w2.t,L,wg.t,Lwn.t],wg.t表示第g天t时刻的光伏功率,t∈1,2,L,p,g∈1,2,L,n。
通过从时间序列数据中提取不同时间尺度的波动规律,有效避免了模态混叠现象,提高了不同天气类型下短期光伏功率预测模型的预测精度。
S2:光伏功率数据稳态化分解:将步骤S1获得的光伏功率数据进行EEMD分解,获得若干组稳态本征模态分量和一组残余分量,将上述每一个IMF分量和残余分量进行归一化处理,并划分为训练样本集和测试样本集;
步骤S2.1:将步骤S1获得的光伏电站n天同一时刻的光伏功率数据Wn(t),采用集合经验模态分解法(EEMD)进行分解,获得d组稳态本征模态分量IMF(s)和一组残余分量Ra,s=1,2,L,d;
步骤S2.2:将所述每一个IMF分量和残余分量Ra进行归一化处理,归一化过程表示为:
式(1)中:X表示分解后的各个分量,Xm表示分解后的向量X中的第m个数据,xm表示归一化后的向量x中的第m个数据,m=d+1;
步骤S2.3:将归一化的数据集划分为训练样本集Pa和测试样本集Pe。
S3:构建CNN-BiLSTM网络模型,如图2所示,包括:输入层、CNN层、BiLSTM层和输出层,将训练样本集输入构建的CNN-BiLSTM网络模型,得到实际光伏发电功率预测值;
步骤S3.1:将所述步骤S2得到的训练样本集Pa输入到所述CNN-BiLSTM组合模型中,作为CNN-BiLSTM模型的输入;
步骤S3.2:构建卷积神经网络层:
所述卷积网络层CNN由3个卷积层、3个池化层以及一个全连接层构成,将步骤S3.1输入的序列数据输入到所述卷积神经网络中进行特征提取,从而由全连接层输出特征信息GT=[GT,1,GT,2,…,GT,i]T,GT,i为全连接层第i个神经元的输出信息,i为全连接层的神经元个数;
采用CNN网络模型的目的是降低特征提取和数据重构的复杂度。首先采用卷积层的局部连接和权值共享对特征信息进行卷积操作,从中提取局部特征信;然后利用池化层对获取的特征信息进行压缩降维;最后通过全连接层结构将其转换输出,提取得到特征向量。
步骤S3.3:构建BiLSTM网路层:
所述BiLSTM网络层由正反向LSTM神经网络构成,将所述特征信息GT输入到所述BiLSTM网络层中,利用式(2)得到输出向量:
hT=BiLSTM(hTs,hTz) (2)
式(2)中,hT表示BiLSTM的隐藏状态向量,hTs,hTz分别表示前向和后向LSTM的隐藏状态向量;
步骤S3.4:所述输出层是由全连接层构成,将向量hT输入输出层中,利用式(3)得到预测值u:
u=σ(hTω+b) (3)
式(3)中,ω和b是输出层的权重向量和偏置向量;σ(g)表示ReLU函数;
步骤S3.5:所述CNN-BiLSTM网络输出的预测值u经过反归一化处理后得到实际光伏发电功率预测值uo。
搭建卷积神经网络CNN,提取反映光伏数据复杂动态变化的高维特征,将所提特征向量构造为时间序列形式作为BiLSTM网络的输入,构建CNN-BiLSTM模型。
S4:采用灰狼寻优算法优化CNN-BiLSTM网络参数,将最优参数带入到CNN-BiLSTM网络模型中进行训练,得到训练好的光伏电站发电功率预测模型,利用训练好的CNN-BiLSTM模型进行预测,获得光伏短期发电功率预测结果;具体步骤包括:
步骤S4.1:初始化灰狼优化算法和CNN-BILSTM网络参数,随机生成CNN-BiLSTM初始网络,CNN-BiLSTM的网络参数采用Adam求解器进行训练,其初始化参数包括灰狼种群大小K、灰狼个体位置信息的维度Q、灰狼维度的上界O1和下界O2、算法最大迭代次数E,灰狼算法优化的参数包括学习率γ、全连接层神经元个数θ、训练周期τ,将CNN-BILSTM网络的学习率γ、全连接层神经元个数θ、训练周期τ作为狼群个体位置的三维坐标F,随机初始化狼群个体位置;
步骤S4.2:根据式(4)适应度函数fit计算每个个体灰狼的适应度值;
式(4)中,k为输出层节点数;Ye为e时刻的实际光伏发电输出值,Ze为e时刻的光伏发电预测值,B为常系数;
步骤S4.3:更新狼群中灰狼的适应度值。计算从第一次迭代开始到目前位置适应度最优的3只灰狼信息,并保存信息;
Gα=fitbest;Gβ=fitsecond;Gδ=fitthird (5)
式(5)中,fitbest、fitsecond、fitthird分别代表本次迭代适应度评分最高的三个适应度值。
步骤S4.4:更新适应度最优的3只灰狼α狼、β狼、δ狼的位置向量:
Fα=Fbest;Fβ=Fsecond;Fδ=Fthird (6)
随后,通过式(7)-(9)来计算下一次迭代后的新的狼群位置向量;
式(7)-(9)中,D表示个体灰狼与猎物间的距离,F(g)表示灰狼的个体位置向量,t为当前的迭代次数,A和C为群体协同系数向量。
步骤S4.5:判断是否达到最大迭代次数E,若达到最大迭代次数,则结束迭代,返回最优参数;否则,返回步骤S4.2;
步骤S4.6:根据α狼的位置向量Fα,确定出优化后的学习率γ、全连接层神经元个数θ、训练周期τ,将最优参数带入到CNN-BILSTM网络模型中进行训练,从而得到训练好的光伏电站发电功率预测模型;
步骤S4.7:利用训练好的CNN-BILSTM模型进行预测,获得光伏短期发电功率预测结果。
传统短期光伏功率预测方法多是将历史样本数据集进行精细的划分,针对不同的天气类型建立不同的预测模型。但光伏电站小时输出功率分布在天气突变时存在着非平稳性问题,这对预测结果的精确性带来了较大的影响。借助集合经验分解法,有效提取光伏功率数据的各分量及变化趋势,获得了较为平稳的分量序列。
因而所述方法通过集合经验模态分解法,将历史光伏电站小时功率数据分解为一系列不同频率但相对平稳的分量序列,有效提取光伏功率数据的各分量及变化趋势,并有效抑制光伏电站小时输出功率分布在天气突变时的非平稳性问题;利用CNN网络模型提取历史光伏功率数据中的特征向量,有效降低了特征提取的复杂度;同时,采用灰狼寻优算法确定CNN-BiLSTM网络的超参数,从而在有效提取光伏功率数据的各个分量及变化趋势的同时,提高短期光伏功率预测的精确度。
参阅图3,本发明示例还提供一种基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测系统,包括:
数据采集与分类模块,用于获取历史光伏电站小时出力序列和对应的气象信息,根据气象信息对每日的数据分类,获得光伏电站每日同一时刻的光伏功率数据;
数据稳态化分解模块,用于将数据采集与分类模块获得的光伏功率数据进行EEMD分解,获得若干组稳态本征模态分量和一组残余分量,将上述每一个IMF分量和残余分量进行归一化处理,并划分为训练样本集和测试样本集;
CNN-BiLSTM网络模型构建模块,用于构建包括输入层、CNN层、BiLSTM层和输出层的CNN-BiLSTM网络模型,将训练样本集输入构建的CNN-BiLSTM网络模型,得到实际光伏发电功率预测值;
网络模型参数优化模块,用于采用灰狼寻优算法优化CNN-BiLSTM网络参数,将最优参数带入到CNN-BiLSTM网络模型中进行训练,得到训练好的光伏电站发电功率预测模型;
预测结果输出模块,用于利用训练好的CNN-BiLSTM模型对测试样本集进行预测,获得光伏短期发电功率预测结果。
本示例的一种基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测系统,可执行本发明所提供的一种基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法,可执行方法示例的任何组合实施步骤,具备该方法相应的功能和有益效果。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法,其特征在于,包括以下步骤:
S1:天气样本数据的采集与分类:获取历史光伏电站小时出力序列和对应的气象信息,根据气象信息对每日的数据分类,获得光伏电站每日同一时刻的光伏功率数据;
S2:光伏功率数据稳态化分解:将步骤S1获得的光伏功率数据进行EEMD分解,获得若干组稳态本征模态分量和一组残余分量,将上述每一个IMF分量和残余分量进行归一化处理,并划分为训练样本集和测试样本集;
S3:构建CNN-BiLSTM网络模型,包括:输入层、CNN层、BiLSTM层和输出层,将训练样本集输入构建的CNN-BiLSTM网络模型,得到实际光伏发电功率预测值;
S4:采用灰狼寻优算法优化CNN-BiLSTM网络参数,将最优参数带入到CNN-BiLSTM网络模型中进行训练,得到训练好的光伏电站发电功率预测模型,利用训练好的CNN-BiLSTM模型进行预测,获得光伏短期发电功率预测结果。
2.根据权利要求1所述的基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法,其特征在于,步骤S1的具体步骤包括:
步骤S1.1:从光伏发电站获取历史光伏数据序列,将原始样本数据分为突变天气和非突变天气两大类,并按照天气类型将突变天气分为F类,非突变天气分为L类;
步骤S1.2:从每一类天气样本数据中选取n天的原始功率样本组成样本数据集,每天有p个采样时间点,得到维度为n×p的原始功率样本矩阵Jij表示样本数据集第i天的第j个采样时间点的光伏发电功率信息,i∈1,2,L,n,j∈1,2,L,p;
步骤S1.3:采集光伏电站n天同一时刻的光伏功率数据,获得光伏电站n天同一时刻的光伏功率数据Wn(t)=[w1.t,w2.t,L,wg.t,L wn.t],wg.t表示第g天t时刻的光伏功率,t∈1,2,L,p,g∈1,2,L,n。
4.根据权利要求1所述的基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法,其特征在于,步骤S3的具体步骤包括:
步骤S3.1:将所述步骤S2得到的训练样本集Pa输入到所述CNN-BiLSTM组合模型中,作为CNN-BiLSTM模型的输入;
步骤S3.2:构建卷积神经网络层:
所述卷积网络层由3个卷积层、3个池化层以及一个全连接层构成,将步骤S3.1输入的序列数据输入到所述卷积神经网络中进行特征提取,从而由全连接层输出特征信息GT=[GT,1,GT,2,…,GT,i]T,GT,i为全连接层第i个神经元的输出信息,i为全连接层的神经元个数;
步骤S3.3:构建BiLSTM网路层:
所述BiLSTM网络层由正反向LSTM神经网络构成,将所述特征信息GT输入到所述BiLSTM网络层中,利用式(2)得到输出向量:
hT=BiLSTM(hTs,hTz) (2)
式(2)中,hT表示BiLSTM的隐藏状态向量,hTs,hTz分别表示前向和后向LSTM的隐藏状态向量;
步骤S3.4:所述输出层是由全连接层构成,将向量hT输入输出层中,利用式(3)得到预测值u:
u=σ(hTω+b) (3)
式(3)中,ω和b是输出层的权重向量和偏置向量;σ(g)表示ReLU函数;
步骤S3.5:所述CNN-BiLSTM网络输出的预测值u经过反归一化处理后得到实际光伏发电功率预测值uo。
5.根据权利要求1所述的基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法,其特征在于,步骤S4的具体步骤包括:
步骤S4.1:初始化灰狼优化算法和CNN-BILSTM网络参数,随机生成CNN-BiLSTM初始网络,CNN-BiLSTM的网络参数采用Adam求解器进行训练,其初始化参数包括灰狼种群大小K、灰狼个体位置信息的维度Q、灰狼维度的上界O1和下界O2、算法最大迭代次数E,灰狼算法优化的参数包括学习率γ、全连接层神经元个数θ、训练周期τ,将CNN-BILSTM网络的学习率γ、全连接层神经元个数θ、训练周期τ作为狼群个体位置的三维坐标F,随机初始化狼群个体位置;
步骤S4.2:计算每个个体灰狼的适应度值;
步骤S4.3:更新狼群中灰狼的适应度值。计算从第一次迭代开始到目前位置适应度最优的三只灰狼信息,并保存信息;
步骤S4.4:更新适应度最优的三只灰狼的位置向量,并计算下一次迭代后的新的狼群位置向量;
步骤S4.5:判断是否达到最大迭代次数,若达到最大迭代次数,则结束迭代,返回最优参数;否则,返回步骤S4.2;
步骤S4.6:将最优参数带入到CNN-BILSTM网络模型中进行训练,从而得到训练好的光伏电站发电功率预测模型;
步骤S4.7:利用训练好的CNN-BILSTM模型进行预测,获得光伏短期发电功率预测结果。
6.一种基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测系统,其特征在于,包括:
数据采集与分类模块,用于获取历史光伏电站小时出力序列和对应的气象信息,根据气象信息对每日的数据分类,获得光伏电站每日同一时刻的光伏功率数据;
数据稳态化分解模块,用于将数据采集与分类模块获得的光伏功率数据进行EEMD分解,获得若干组稳态本征模态分量和一组残余分量,将上述每一个IMF分量和残余分量进行归一化处理,并划分为训练样本集和测试样本集;
CNN-BiLSTM网络模型构建模块,用于构建包括输入层、CNN层、BiLSTM层和输出层的CNN-BiLSTM网络模型,将训练样本集输入构建的CNN-BiLSTM网络模型,得到实际光伏发电功率预测值;
网络模型参数优化模块,用于采用灰狼寻优算法优化CNN-BiLSTM网络参数,将最优参数带入到CNN-BiLSTM网络模型中进行训练,得到训练好的光伏电站发电功率预测模型;
预测结果输出模块,用于利用训练好的CNN-BiLSTM模型对测试样本集进行预测,获得光伏短期发电功率预测结果。
7.根据权利要求6所述的基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测系统,其特征在于,所述数据采集与分类模块获取历史光伏电站小时出力序列和对应的气象信息,根据气象信息对每日的数据分类,获得光伏电站每日同一时刻的光伏功率数据的具体步骤包括:
步骤S1.1:从光伏发电站获取历史光伏数据序列,将原始样本数据分为突变天气和非突变天气两大类,并按照天气类型将突变天气分为F类,非突变天气分为L类;
步骤S1.2:从每一类天气样本数据中选取n天的原始功率样本组成样本数据集,每天有p个采样时间点,得到维度为n×p的原始功率样本矩阵Jij表示样本数据集第i天的第j个采样时间点的光伏发电功率信息,i∈1,2,L,n,j∈1,2,L,p;
步骤S1.3:采集光伏电站n天同一时刻的光伏功率数据,获得光伏电站n天同一时刻的光伏功率数据Wn(t)=[w1.t,w2.t,L,wg.t,L wn.t],wg.t表示第g天t时刻的光伏功率,t∈1,2,L,p,g∈1,2,L,n。
8.根据权利要求6所述的基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测系统,其特征在于,所述数据稳态化分解模块将数据采集与分类模块获得的光伏功率数据进行EEMD分解,获得若干组稳态本征模态分量和一组残余分量,将上述每一个IMF分量和残余分量进行归一化处理,并划分为训练样本集和测试样本集的具体步骤包括:
步骤S2.1:将步骤S1获得的光伏电站n天同一时刻的光伏功率数据Wn(t),采用集合经验模态分解法进行分解,获得d组稳态本征模态分量IMF(s)和一组残余分量Ra,s=1,2,L,d;
步骤S2.2:将所述每一个IMF分量和残余分量Ra进行归一化处理,归一化过程表示为:
式(1)中:X表示分解后的各个分量,Xm表示分解后的向量X中的第m个数据,xm表示归一化后的向量x中的第m个数据,m=d+1;
步骤S2.3:将归一化的数据集划分为训练样本集Pa和测试样本集Pe。
9.根据权利要求6所述的基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测系统,其特征在于,所述CNN-BiLSTM网络模型构建模块构建CNN-BiLSTM网络模型的具体步骤包括:
步骤S3.1:将所述步骤S2得到的训练样本集Pa输入到所述CNN-BiLSTM组合模型中,作为CNN-BiLSTM模型的输入;
步骤S3.2:构建卷积神经网络层:
所述卷积网络层由3个卷积层、3个池化层以及一个全连接层构成,将步骤S3.1输入的序列数据输入到所述卷积神经网络中进行特征提取,从而由全连接层输出特征信息GT=[GT,1,GT,2,…,GT,i]T,GT,i为全连接层第i个神经元的输出信息,i为全连接层的神经元个数;
步骤S3.3:构建BiLSTM网路层:
所述BiLSTM网络层由正反向LSTM神经网络构成,将所述特征信息GT输入到所述BiLSTM网络层中,利用式(2)得到输出向量:
hT=BiLSTM(hTs,hTz) (2)
式(2)中,hT表示BiLSTM的隐藏状态向量,hTs,hTz分别表示前向和后向LSTM的隐藏状态向量;
步骤S3.4:所述输出层是由全连接层构成,将向量hT输入输出层中,利用式(3)得到预测值u:
u=σ(hTω+b) (3)
式(3)中,ω和b是输出层的权重向量和偏置向量;σ(g)表示ReLU函数;
步骤S3.5:所述CNN-BiLSTM网络输出的预测值u经过反归一化处理后得到实际光伏发电功率预测值uo。
10.根据权利要求6所述的基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测系统,其特征在于,所述网络模型参数优化模块采用灰狼寻优算法优化CNN-BiLSTM网络参数,将最优参数带入到CNN-BiLSTM网络模型中进行训练,得到训练好的光伏电站发电功率预测模型的具体步骤包括:
步骤S4.1:初始化灰狼优化算法和CNN-BILSTM网络参数,随机生成CNN-BiLSTM初始网络,CNN-BiLSTM的网络参数采用Adam求解器进行训练,其初始化参数包括灰狼种群大小K、灰狼个体位置信息的维度Q、灰狼维度的上界O1和下界O2、算法最大迭代次数E,灰狼算法优化的参数包括学习率γ、全连接层神经元个数θ、训练周期τ,将CNN-BILSTM网络的学习率γ、全连接层神经元个数θ、训练周期τ作为狼群个体位置的三维坐标F,随机初始化狼群个体位置;
步骤S4.2:计算每个个体灰狼的适应度值;
步骤S4.3:更新狼群中灰狼的适应度值。计算从第一次迭代开始到目前位置适应度最优的三只灰狼信息,并保存信息;
步骤S4.4:更新适应度最优的三只灰狼的位置向量,并计算下一次迭代后的新的狼群位置向量;
步骤S4.5:判断是否达到最大迭代次数,若达到最大迭代次数,则结束迭代,返回最优参数;否则,返回步骤S4.2;
步骤S4.6:将最优参数带入到CNN-BILSTM网络模型中进行训练,从而得到训练好的光伏电站发电功率预测模型;
步骤S4.7:利用训练好的CNN-BILSTM模型进行预测,获得光伏短期发电功率预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211331710.3A CN115689008A (zh) | 2022-10-27 | 2022-10-27 | 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211331710.3A CN115689008A (zh) | 2022-10-27 | 2022-10-27 | 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115689008A true CN115689008A (zh) | 2023-02-03 |
Family
ID=85046792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211331710.3A Pending CN115689008A (zh) | 2022-10-27 | 2022-10-27 | 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115689008A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116365591A (zh) * | 2023-05-25 | 2023-06-30 | 北京智盟信通科技有限公司 | 一种分布式光伏群调群控方法、装置和存储介质 |
CN116992779A (zh) * | 2023-09-22 | 2023-11-03 | 北京国科恒通数字能源技术有限公司 | 基于数字孪生模型的光伏储能系统仿真方法及系统 |
CN117272120A (zh) * | 2023-11-21 | 2023-12-22 | 国能日新科技股份有限公司 | 基于数据分类的多因素延续性实时数据预测方法及装置 |
CN117369308A (zh) * | 2023-11-20 | 2024-01-09 | 合肥中科深谷科技发展有限公司 | 基于数字孪生的机器人硬件在环实时仿真控制系统及方法 |
CN117647935A (zh) * | 2024-01-29 | 2024-03-05 | 兰州交通大学 | 一种受电弓反步主动控制方法 |
-
2022
- 2022-10-27 CN CN202211331710.3A patent/CN115689008A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116365591A (zh) * | 2023-05-25 | 2023-06-30 | 北京智盟信通科技有限公司 | 一种分布式光伏群调群控方法、装置和存储介质 |
CN116365591B (zh) * | 2023-05-25 | 2023-08-25 | 北京智盟信通科技有限公司 | 一种分布式光伏群调群控方法、装置和存储介质 |
CN116992779A (zh) * | 2023-09-22 | 2023-11-03 | 北京国科恒通数字能源技术有限公司 | 基于数字孪生模型的光伏储能系统仿真方法及系统 |
CN116992779B (zh) * | 2023-09-22 | 2024-01-05 | 北京国科恒通数字能源技术有限公司 | 基于数字孪生模型的光伏储能系统仿真方法及系统 |
CN117369308A (zh) * | 2023-11-20 | 2024-01-09 | 合肥中科深谷科技发展有限公司 | 基于数字孪生的机器人硬件在环实时仿真控制系统及方法 |
CN117369308B (zh) * | 2023-11-20 | 2024-04-23 | 合肥中科深谷科技发展有限公司 | 基于数字孪生的机器人硬件在环实时仿真控制系统及方法 |
CN117272120A (zh) * | 2023-11-21 | 2023-12-22 | 国能日新科技股份有限公司 | 基于数据分类的多因素延续性实时数据预测方法及装置 |
CN117647935A (zh) * | 2024-01-29 | 2024-03-05 | 兰州交通大学 | 一种受电弓反步主动控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115689008A (zh) | 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统 | |
CN111340273B (zh) | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 | |
Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
CN101414366B (zh) | 基于改进极端学习机方法的电力系统短期负荷预测方法 | |
CN106779087A (zh) | 一种通用机器学习数据分析平台 | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN113159361A (zh) | 基于VDM和Stacking模型融合的短期负荷预测方法及系统 | |
Yuan et al. | Evoq: Mixed precision quantization of dnns via sensitivity guided evolutionary search | |
Verma et al. | Prediction of students’ academic performance using Machine Learning Techniques | |
CN112580588A (zh) | 一种基于经验模态分解的颤振信号智能识别方法 | |
CN111222689A (zh) | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 | |
CN111292124A (zh) | 一种基于优化组合神经网络的需水预测方法 | |
CN114841199A (zh) | 配电网故障诊断方法、装置、设备及可读存储介质 | |
CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
CN112508286A (zh) | 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法 | |
Wen et al. | MapReduce-based BP neural network classification of aquaculture water quality | |
Feng et al. | Performance analysis of fuzzy BLS using different cluster methods for classification | |
CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
CN114782740A (zh) | 结合遗传优化与极端梯度提升的遥感水质监测方法 | |
CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
CN113537573B (zh) | 基于双重时空特征提取的风电功率运行趋势预测方法 | |
CN112885378B (zh) | 一种语音情感识别方法、装置及存储介质 | |
CN113835964A (zh) | 基于小样本学习的云数据中心服务器能耗预测方法 | |
CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |